一种基于小波包分解FXRLS算法的自适应噪声抵消方法

将小波包分解技术引入FXRLS算法,并形成了基于该算法的自适应噪声抵消方法。通过仿真实验和实测数据进行了验证,结果表明,该方法比传统系统具有更快的收敛速度和更高的降噪能力,能够处理复杂的水下噪声主动抵消问题。     

汽车超声波油耗测试计算方法

针对汽车油耗间接测试法和直接测试法存在的不足,基于超声波技术和单片机控制技术,根据时差法超声波流量测试原理,构建汽车油耗测试数学计算模型。超声波流量传感器基于声时和几何参数测试燃油流量,采用扩展卡尔曼滤波法计算声时;利用三维坐标法测算超声波流量传感器的几何参数,进行了几何参数计算误差分析与修正。最后,对采用有限数量声路速度信息计算得到的流量误差进行了积分修正和校准。分析结果表明：该方法可为优化油耗测试数学模型、提高汽车油耗测试精度提供理论依据。     

界限含水率试验数据计算方法与试验优化研究

叙述了界限含水率试验的基本原理,总结了直接直线拟合法、规范作图法、公式法的不足,建立了先用公式法确认塑限偏差2％,再用最小二乘法数据拟合求解液塑限的计算方法。在此基础上,提出了控制平行试验的锥沉量偏差大小的试验优化方法,并给出了控制偏差的大小。     

融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

车辆巡航自适应控制研究

对模型参考自适应控制进行了深入研究,分析了其在实际应用过程中存在的问题,在此基础上提出一种基于最小二乘辨识的模型参考自适应控制方案,并将其应用到车辆巡航速度控制中。改进方案在被控对象两端加入最小二乘辨识环节对系统参数进行在线辨识,利用辨识得到的信息修正由自适应律计算得到的可调参数模型,从而使其能够快速收敛于真值。改进的控制方案有效地降低了自适应初始阶段和被控系统受到外界扰动时系统的震荡以及过渡时间。理论分析和实验仿真结果表明,该控制系统结构简单,系统的响应速度快,超调量少,过渡过程时间短,振荡次数小,具有较强的鲁棒性,有一定的实际应用价值。     

最小二乘支持向量机在公路交通客流量预测中的应用

交通客流量预测是交通规划的重要内容,对于交通规划具有重要意义。利用最小二乘支持向量机理论,建立交通客流量预测模型,通过与BP神经网络预测模型实验结果进行比较,验证了其在交通客流量预测中的有效性。     

城际公共交通系统最短路算法

在借鉴城市公共交通最短路算法的基础上,针对城际网络的特点,研究了城际交通换乘路径的选择问题。以最小换乘次数为首要目标,并以此为基础,综合考虑时间、票价等因素,获取城际交通系统最短路。首先提出一种基于Flord算法的最小换乘矩阵及多条最短路的获取方法,然后利用最小换乘路径进行站线搜索与广义费用计算,获取城际交通的最短路,最后通过算例证明了本算法的可行性。     

基于DSP的柴油机瞬时转速智能监测节点设计

针对柴油机实车在线监测中车内空间有限及变速变载的情况,设计了基于嵌入式系统的柴油机智能监测节点.在对磁电式转速传感器及外卡式油压传感器信号进行同步采样后,利用零相位滤波将瞬时转速的计算精度提高了50倍.利用外卡式油压传感器信号定位到柴油机工作周期后,可监控柴油机工作周期内的转速波动值,进而定位失火故障.     

一种基于同态滤波的背景建模方法

在道路视频检测技术中提出了一种基于同态滤波的背景建模法。对图像进行同态滤波的预处理,以适应渐变的光照情况。通过图像分块与帧间差分来获取临时背景序列,为背景建模做准备。为了处理背景中由于车辆突然开动或停止产生的＂鬼影＂,对帧序列有效区中的每一像素进行基于灰度分区直方图模式建立背景模型。这种方法既能应对光照渐变又能适应大流量且车速慢的拥堵情况。实验结果表明,此算法具有良好的可靠性与鲁棒性。     

铁路轨道异物完整性检测与跟踪算法研究

针对野外复杂环境下轨道异物检测不完整问题,提出基于小波变换的像素过滤思想改进GMM,构建背景模型;为解决异物目标实施机动(转弯、加速或突然出现)时跟踪实时性差和准确率低的问题,分析Kalman滤波线性化误差,搭建BP神经网络修正 IMM的跟踪模型,实现轨道异物跟踪预测,并推导出非线性Kalman滤波关系.实验表明,改进GMM在正常天气下平均前景误检率降低了24.94个百分点,针对复杂恶劣天气平均前景误检率降低了33.76个百分点;建立BP神经网络-IMM-Kalman滤波模型不仅可以快速准确地对场景中的机动目标进行跟踪,而且比Kalman滤波和IMM更加平稳,误差更小.